本论文探讨利用模式挖掘技术与卷积神经网络在中级视觉元素发现中的应用，提出了两种生成图像特征表示的方法，并在场景和对象分类任务中展示了优异的性能。

Jun, 2015

本文提出了一种基于模式挖掘的中层视觉元素发现方法，利用卷积神经网络的全连接层的神经元激活进行模式挖掘，从而实现图像分类任务中的中层视觉元素的自动发现。经实验证明，该方法在中层视觉元素发现任务上表现优异，在目标分类任务上也能够取得良好的性能。

Nov, 2014

通过在对象检测任务中添加中层表示，本文提出一种简单的方法，通过广泛的实验和消融分析，在 PASCAL VOC comp-3 检测挑战中取得了与当前最先进方法相媲美的效果，并利用中层表示，有效地改进了 HOG-based pipelines，同时探讨了本方法与基于 CNN 的方法之间的共通之处。

Apr, 2015

本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论，提出一种深度卷积神经网络训练的优化策略，在基础级别物体分类的基础上训练亚目标级别分类，进而在小型数据集的迁移学习中取得了优秀的效果提升，证明本方法的可行性和有效性。

Nov, 2015

通过递归组合简单的轮廓片段，并结合简单的形状组合和逐层学习和逐渐增加分析窗口的大小，可以学习出一种用于表示多种物体类别的层次化组合形状词汇，并在更快的推理以及更短的训练时间内实现了最先进的检测性能。

Aug, 2014

本研究提出了一种新的学习框架，通过使用 Siamese Convolutional Neural Network 从不同品类的物品图像中学习特征转化，进而发掘不同物品之间的兼容性。研究人员使用来自 Amazon.com 的协同购买数据来建立兼容性模型，并引入了一种新的训练数据采样策略，以学习跨品类匹配知识，该研究的实验结果表明，提出的学习框架能够学习关于外观风格的语义信息，并能够生成适合混搭的衣物组合。

Sep, 2015

本研究提出一种新颖的方法，通过多层激活层和三种兼容的损失来编码基于拓扑学的先验信息，以解决生物图像分割任务中的问题，并在 2018 年的 Data Science Bowl 挑战中验证了该方法的效果，可以大幅提高分割的 Dice 分数。

Apr, 2018

本文着眼于深度神经网络内部表示的研究，并使用聚类算法提取了一组视觉概念，展示了这些概念可以用于语义部分检测的无监督方法，并将这些视觉概念组合成了一种简单的模式理论模型，名为 “构成投票”，相较于专门针对语义部分检测的支持向量机和深度网络，证明了这种方法的效果更好。

Nov, 2017

我们提出了一种新的多对象跟踪的视觉分层表示范式，并通过关注对象的组合性视觉区域和与背景的对比背景信息，不仅仅局限于语义可视线索（如边界框），而是更有效地区分对象。这种组合性 - 语义 - 上下文层次结构灵活地集成到不同的基于外观的多对象跟踪方法中。我们还提出了一种基于注意力的视觉特征模块来融合分层视觉表示。该方法在多个多对象跟踪基准中实现了最先进的准确性和时间效率。

Feb, 2024

本文提出了一种扩充并训练卷积神经网络的方法，使其学到的特征是组成式的，并促进对对象的分离。实验表明，这种组成式特征学习方法在目标识别任务中相比非组成式基线可以获得更好的性能提升。

Jun, 2017